Refine
Year of publication
- 2022 (91) (remove)
Institute
- Fachbereich Medizintechnik und Technomathematik (34)
- IfB - Institut für Bioengineering (22)
- Fachbereich Chemie und Biotechnologie (14)
- INB - Institut für Nano- und Biotechnologien (13)
- Fachbereich Energietechnik (10)
- ECSM European Center for Sustainable Mobility (6)
- Fachbereich Bauingenieurwesen (6)
- Fachbereich Luft- und Raumfahrttechnik (6)
- Fachbereich Wirtschaftswissenschaften (6)
- Fachbereich Elektrotechnik und Informationstechnik (5)
Document Type
- Article (91) (remove)
Keywords
- Chemometrics (2)
- Earthquake (2)
- Heparin (2)
- NMR spectroscopy (2)
- biosensors (2)
- damage (2)
- Actuator disk modelling (1)
- Algal Turf Scrubber (1)
- Algal–bacterial bioflm (1)
- Alkalihalobacillus okhensis (1)
Schlafspindeln – Funktion, Detektion und Nutzung als Biomarker für die psychiatrische Diagnostik
(2022)
Hintergrund:
Die Schlafspindel ist ein Graphoelement des Elektroenzephalogramms
(EEG), das im Leicht- und Tiefschlaf beobachtet werden kann. Veränderungen der
Spindelaktivität wurden für verschiedene psychiatrische Erkrankungen beschrieben. Schlafspindeln zeigen aufgrund ihrer relativ konstanten Eigenschaften Potenzial als Biomarker in der psychiatrischen Diagnostik.
Methode:
Dieser Beitrag liefert einen Überblick über den Stand der Wissenschaft
zu Eigenschaften und Funktionen der Schlafspindeln sowie über beschriebene
Veränderungen der Spindelaktivität bei psychiatrischen Erkrankungen. Verschiedene methodische Ansätze und Ausblicke zur Spindeldetektion werden hinsichtlich deren Anwendungspotenzial in der psychiatrischen Diagnostik erläutert.
Ergebnisse und Schlussfolgerung:
Während Veränderungen der Spindelaktivität
bei psychiatrischen Erkrankungen beschrieben wurden, ist deren exaktes Potenzial für die psychiatrische Diagnostik noch nicht ausreichend erforscht. Diesbezüglicher Erkenntnisgewinn wird in der Forschung gegenwärtig durch ressourcenintensive und fehleranfällige Methoden zur manuellen oder automatisierten Spindeldetektion ausgebremst. Neuere Detektionsansätze, die auf Deep-Learning-Verfahren basieren, könnten die Schwierigkeiten bisheriger Detektionsmethoden überwinden und damit neue Möglichkeiten für die praktisch